(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專利(72)發(fā)明人楊明楊寶龍卜強(qiáng)生王飛于一瀟李夢(mèng)林王傳琦單帥杰張?jiān)罩莛╆?yáng)呂朋蓬羅飛公司37221H02J3/00(2006.01)GO6N3/096(2023.張童彥等.基于氣象資源插值與遷移學(xué)習(xí)的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率本發(fā)明提出了基于AP聚類與遷移學(xué)習(xí)的分否否是2步驟S1:收集待預(yù)測(cè)區(qū)域內(nèi)各分布式光伏電站的歷史發(fā)電數(shù)據(jù)，包括光伏功率及對(duì)應(yīng)步驟S2:基于歷史發(fā)電數(shù)據(jù)，利用近鄰傳播AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電其中，所述待預(yù)測(cè)時(shí)間的氣象數(shù)據(jù)是將源域的氣象數(shù)據(jù)作2.如權(quán)利要求1所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，其特征在3.如權(quán)利要求1所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，其特征在4.如權(quán)利要求3所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，其特征在35.如權(quán)利要求4所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，其特征在6.如權(quán)利要求1所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，其特征在其中，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，是根據(jù)出力其中，所述待預(yù)測(cè)時(shí)間的氣象數(shù)據(jù)是將源域的氣象數(shù)據(jù)作8.如權(quán)利要求7所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)系統(tǒng)，其特征在4(3)更新吸引度矩陣和歸屬度矩陣；(4)若滿足迭代停止的條件，轉(zhuǎn)向下一步，否則重復(fù)步驟(2)(3);(5)根據(jù)聚類結(jié)果計(jì)算輪廓系數(shù)，確定聚類中心及各類光伏電站群簇；(6)分析不同聚類數(shù)下的輪廓系數(shù)，選定最佳聚類結(jié)果，完成光伏電站群劃分。9.如權(quán)利要求8所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)系統(tǒng)，其特征在于，所述分布式光伏電站功率樣本間的相似度，通過(guò)光伏出力曲線之間的相似度來(lái)表征，采10.如權(quán)利要求9所述的分布式光伏功率預(yù)測(cè)系統(tǒng)，其特征在于，所述DTW距離是通過(guò)搜尋兩條出力曲線之間的相似部分，并不斷調(diào)整兩條出力曲線不同的數(shù)據(jù)點(diǎn)之間的對(duì)應(yīng)關(guān)系，得到兩條曲線之間的最佳路徑，將最佳路徑的累積距離作為DTW距離。處理器，用于運(yùn)行所述計(jì)算機(jī)可讀指令，其中，所述計(jì)算機(jī)可讀指令被所述處理器運(yùn)行時(shí)，執(zhí)行上述權(quán)利要求1-6任一項(xiàng)所述的方法。12.一種存儲(chǔ)介質(zhì)，其特征是，非暫時(shí)性地存儲(chǔ)計(jì)算機(jī)可讀指令，其中，當(dāng)所述非暫時(shí)性計(jì)算機(jī)可讀指令由計(jì)算機(jī)執(zhí)行時(shí)，執(zhí)行權(quán)利要求1-6任一項(xiàng)所述的方法。5技術(shù)領(lǐng)域[0001]本發(fā)明屬于分布式光伏短期功率預(yù)測(cè)技術(shù)領(lǐng)域，尤其涉及基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法及系統(tǒng)。背景技術(shù)[0002]本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。[0003]隨著科學(xué)技術(shù)的不斷發(fā)展，光伏發(fā)電已迅速成為繼水電和風(fēng)電之后的第三大可再性、隨機(jī)性和波動(dòng)性大，能夠準(zhǔn)確預(yù)測(cè)光伏功率[0004]分布式光伏單機(jī)容量較小，數(shù)量極多，由于成本問(wèn)題更缺少專門(mén)的氣象監(jiān)測(cè)裝置和量測(cè)設(shè)備，且每年大量新建的光伏電站缺乏足夠的歷史數(shù)據(jù)。當(dāng)進(jìn)行光伏功率預(yù)測(cè)時(shí)，天氣類型是一個(gè)關(guān)鍵的影響因素，因?yàn)椴煌椪諒?qiáng)度和氣象條件的變化直接影響著光伏系統(tǒng)的發(fā)電性能和光伏面板獲得的太陽(yáng)輻射強(qiáng)度總量，而不完善的信息采集也對(duì)分布式光伏功率預(yù)測(cè)造成了一定的困難，使之難以建立高精度的預(yù)測(cè)模型，使得分布式光伏長(zhǎng)期處于新能源調(diào)控“盲區(qū)”,給電力系統(tǒng)的安全經(jīng)濟(jì)運(yùn)行與優(yōu)化調(diào)度管理帶來(lái)諸多挑戰(zhàn)。[0005]集中式光伏功率預(yù)測(cè)的方法主要適用于具有氣象采集系統(tǒng)和功率信息完備的光伏電站，對(duì)分布式光伏功率預(yù)測(cè)可以采用集群預(yù)測(cè)的方法，目前分布式光伏電站集群功率預(yù)測(cè)的相關(guān)研究還較少，集群功率預(yù)測(cè)的方式主要有3種：累加法、外推法和統(tǒng)計(jì)升尺度法；累加法沒(méi)有考慮到不同電站之間的相關(guān)性，且無(wú)法有效應(yīng)對(duì)集群電站功率的非線性變化；使用外推法預(yù)測(cè)集群電站功率時(shí)，權(quán)值的選擇會(huì)在很大程度上影響最終集群功率預(yù)測(cè)結(jié)果的好壞，而由于光伏電場(chǎng)集群具有平滑效應(yīng)，統(tǒng)計(jì)升尺度法預(yù)測(cè)會(huì)高于單場(chǎng)站預(yù)測(cè)的精度，使用統(tǒng)計(jì)升尺度法預(yù)測(cè)時(shí)，只需要知道基準(zhǔn)電站的相關(guān)數(shù)據(jù)，就可以實(shí)現(xiàn)預(yù)測(cè)整個(gè)區(qū)域的功率值，同時(shí)可以有效提升預(yù)測(cè)精度并增強(qiáng)適用性，但如何讓基準(zhǔn)電站更好地代表區(qū)域內(nèi)其他的電站，是決定該方法預(yù)測(cè)精度高低的關(guān)鍵因素。發(fā)明內(nèi)容[0006]為克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法及系統(tǒng)，使用近鄰傳播(AffinitypropagationAP)聚類算法對(duì)各光伏電站學(xué)習(xí)實(shí)現(xiàn)同一類站群中源域向目標(biāo)域的特征轉(zhuǎn)移，從而準(zhǔn)確預(yù)測(cè)目標(biāo)域的光伏功率。[0007]為實(shí)現(xiàn)上述目的，本發(fā)明的一個(gè)或多個(gè)實(shí)施例提供了如下技術(shù)方案：[0008]本發(fā)明第一方面提供了基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法。[0009]基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法，包括：[0010]收集待預(yù)測(cè)區(qū)域內(nèi)各分布式光伏電站的歷史發(fā)電數(shù)據(jù)，包括光伏功率及對(duì)應(yīng)的氣象數(shù)據(jù)；6[0011]基于歷史發(fā)電數(shù)據(jù)，利用近鄰傳播AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，使每個(gè)站群內(nèi)的電站具有相似的氣象-功率特性；[0012]以每個(gè)站群內(nèi)最具相關(guān)性的聚類中心電站為源域、其他電站為目標(biāo)域，遷移學(xué)習(xí)源域向目標(biāo)域的特征轉(zhuǎn)移，得到功率預(yù)測(cè)模型；[0013]利用功率預(yù)測(cè)模型，對(duì)目標(biāo)域中分布式光伏電站的光伏功率進(jìn)行預(yù)測(cè)；其中，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，是根據(jù)出力曲線計(jì)算分布式光伏電站功率樣本間的相似度，得到相似度矩陣，基于相似度矩陣，進(jìn)行吸引度矩陣和歸屬度矩陣的迭代計(jì)算，直到滿足迭代停止的條件。[0014]進(jìn)一步的，還包括對(duì)收集的歷史發(fā)電數(shù)據(jù)進(jìn)行預(yù)處理，所述預(yù)處理包括異常值識(shí)別及數(shù)據(jù)清洗工作。[0015]進(jìn)一步的，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，具體步驟為：[0016](1)計(jì)算分布式光伏電站功率樣本間的相似度，得到相似度矩陣；[0017](2)計(jì)算吸引度矩陣和歸屬度矩陣；[0020](5)根據(jù)聚類結(jié)果計(jì)算輪廓系數(shù)，確定聚類中心及各類光伏電站群簇；[0021](6)分析不同聚類數(shù)下的輪廓系數(shù)，選定最佳聚類結(jié)果，完成光伏電站群劃分。[0022]進(jìn)一步的，所述分布式光伏電站功率樣本間的相似度，通過(guò)光伏出力曲線之間的相似度來(lái)表征，采用DTW距離來(lái)度量光伏出力曲線之間的相似度。[0023]進(jìn)一步的，所述DTW距離是通過(guò)搜尋兩條出力曲線之間的相似部分，并不斷調(diào)整兩條出力曲線不同的數(shù)據(jù)點(diǎn)之間的對(duì)應(yīng)關(guān)系，得到兩條曲線之間的最佳路徑，將最佳路徑的象數(shù)據(jù)及歷史發(fā)電數(shù)據(jù)為輸入，輸出光伏功率的預(yù)測(cè)值。[0025]進(jìn)一步的，所述功率預(yù)測(cè)模型，在源域?qū)δＰ瓦M(jìn)行預(yù)訓(xùn)練，學(xué)習(xí)相似場(chǎng)景下的公共特征，在目標(biāo)域微調(diào)預(yù)訓(xùn)練后的功率預(yù)測(cè)模型，將源域的公共特征遷移至與之具有相似特征的目標(biāo)域中。[0026]本發(fā)明第二方面提供了基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)系統(tǒng)。[0027]基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)系統(tǒng)，包括數(shù)據(jù)收集模塊、站群劃分模塊、模型構(gòu)建模塊和功率預(yù)測(cè)模塊：[0028]數(shù)據(jù)收集模塊，被配置為：收集待預(yù)測(cè)區(qū)域內(nèi)各分布式光伏電站的歷史發(fā)電數(shù)據(jù)，包括光伏功率及對(duì)應(yīng)的氣象數(shù)據(jù)；[0029]站群劃分模塊，被配置為：基于歷史發(fā)電數(shù)據(jù)，利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，使每個(gè)站群內(nèi)的電站具有相似的氣象-功率特性；[0030]模型構(gòu)建模塊，被配置為：以每個(gè)站群內(nèi)最具相關(guān)性的聚類中心電站為源域、其他電站為目標(biāo)域，遷移學(xué)習(xí)源域向目標(biāo)域的特征轉(zhuǎn)移，得到功率預(yù)測(cè)模型；[0031]功率預(yù)測(cè)模塊，被配置為：利用功率預(yù)測(cè)模型，對(duì)目標(biāo)域中分布式光伏電站的光伏功率進(jìn)行預(yù)測(cè)；7[0032]其中，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，是根據(jù)出力曲線計(jì)算分布式光伏電站功率樣本間的相似度，得到相似度矩陣，基于相似度矩陣，進(jìn)行吸引度矩陣和歸屬度矩陣的迭代計(jì)算，直到滿足迭代停止的條件。[0033]進(jìn)一步的，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，具體步驟為：[0034](1)計(jì)算分布式光伏電站功率樣本間的相似度，得到相似度矩陣；[0035](2)計(jì)算吸引度矩陣和歸屬度矩陣；[0036](3)更新吸引度矩陣和歸屬度矩陣；[0037](4)若滿足迭代停止的條件，轉(zhuǎn)向下一步，否則重復(fù)步驟(2)(3);[0038](5)根據(jù)聚類結(jié)果計(jì)算輪廓系數(shù)，確定聚類中心及各類光伏電站群簇；[0039](6)分析不同聚類數(shù)下的輪廓系數(shù)，選定最佳聚類結(jié)果，完成光伏電站群劃分。[0040]進(jìn)一步的，所述分布式光伏電站功率樣本間的相似度，通過(guò)光伏出力曲線之間的相似度來(lái)表征，采用DTW距離來(lái)度量光伏出力曲線之間的相似度。[0041]進(jìn)一步的，所述DTW距離是通過(guò)搜尋兩條出力曲線之間的相似部分，并不斷調(diào)整兩條出力曲線不同的數(shù)據(jù)點(diǎn)之間的對(duì)應(yīng)關(guān)系，得到兩條曲線之間的最佳路徑，將最佳路徑的[0042]本發(fā)明第三方面提供了計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有程序，該程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法中的步驟。[0043]本發(fā)明第四方面提供了電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的程序，所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如本發(fā)明第一方面所述的基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方法中的步驟。[0044]以上一個(gè)或多個(gè)技術(shù)方案存在以下有益效果：[0045]本發(fā)明利用AP聚類將區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為小站群，使每個(gè)站群內(nèi)的[0046]本發(fā)明中選取每一類中最具相關(guān)性的聚類中心作為源域，其余電站為目標(biāo)域，將源域的氣象數(shù)據(jù)作為該類的整體氣象數(shù)據(jù)，基于山東大學(xué)PSEO團(tuán)隊(duì)研發(fā)的精細(xì)化數(shù)值天氣預(yù)報(bào)產(chǎn)品使得每個(gè)站群都有自己的氣象數(shù)據(jù)，從而實(shí)現(xiàn)關(guān)鍵氣象數(shù)據(jù)的全區(qū)域站群覆蓋。[0047]本發(fā)明針對(duì)不同天氣類型分別訓(xùn)練模型，預(yù)測(cè)時(shí)依據(jù)待預(yù)測(cè)日的氣象情況進(jìn)行分[0048]本發(fā)明運(yùn)用遷移學(xué)習(xí)進(jìn)行功率預(yù)測(cè)模型的搭建，在數(shù)據(jù)質(zhì)量較高的源域光伏電站中提取出相似氣象資源下的功率預(yù)測(cè)模型特征，再對(duì)目標(biāo)域光伏電站預(yù)測(cè)模型進(jìn)行粗略“畫(huà)像”及參數(shù)微調(diào)，從而實(shí)現(xiàn)源域向目標(biāo)域的特征轉(zhuǎn)移，能快速學(xué)習(xí)到相似場(chǎng)景下預(yù)測(cè)模型的公共特征，可以簡(jiǎn)化對(duì)每個(gè)單站進(jìn)行預(yù)測(cè)的繁瑣建模，降低預(yù)測(cè)難度。[0049]本發(fā)明附加方面的優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得附圖說(shuō)明[0050]構(gòu)成本發(fā)明的一部分的說(shuō)明書(shū)附圖用來(lái)提供對(duì)本發(fā)明的進(jìn)一步理解，本發(fā)明的示8[0060]本公開(kāi)的一種實(shí)施例中提供了基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)方[0061]步驟S1:收集待預(yù)測(cè)區(qū)域內(nèi)各分布式光伏電站的歷史發(fā)電數(shù)據(jù)，包括光伏功率及[0063]對(duì)于異常值的處理，由于原始的光伏功率與氣象數(shù)據(jù)可能包含缺失值和離群值，[0067]光伏電站的電力輸出受到地理地形和氣候條件的顯著影響，在不同的氣象狀況9心的程度，從點(diǎn)i發(fā)送至候選聚類中心點(diǎn)k;歸屬信息a(i,k)表示電站i選擇電站k作為聚類[0071]數(shù)據(jù)收集及預(yù)處理后，計(jì)算分布式光伏電站功率樣本間的相似度s(i,k),得到相似度矩陣S,其對(duì)角線元素s(k,k)是電站k樣本x能否成為站群聚類中心的評(píng)判標(biāo)準(zhǔn)，被稱[0072]任意2臺(tái)光伏出力曲線之間的相似度可以通過(guò)二者之間的距離來(lái)進(jìn)行度量，二者的相似部分，并不斷調(diào)整2條出力曲線不同d;為2條出力曲線之間數(shù)據(jù)點(diǎn)x和y;之間的歐成彎曲路徑集合P={p1,p2,…,ps,…,pl},其中p為動(dòng)態(tài)彎曲路徑上第s個(gè)點(diǎn)的位置坐標(biāo)，間的相似度越高。[0081](2)計(jì)算吸引度矩陣r元素r(i,k)和歸屬度矩陣a元素a(i,k)。[0082]算法初始需要將吸引度矩陣和歸屬度矩陣初始化為零矩陣，計(jì)算公式如下所示：[0086]其中，自我歸屬度a(k,k)等于從其他點(diǎn)獲得的積極吸引度之和。[0087](3)更新r(i,k)和a(i,k),進(jìn)一步引入阻尼系數(shù)λ調(diào)節(jié)收斂速度及迭代穩(wěn)定性，用公式表示為：[0090](4)若超過(guò)預(yù)設(shè)的迭代次數(shù)或聚類劃分不再改變，轉(zhuǎn)向下一步，否則改變參考值后，重復(fù)前兩個(gè)步驟繼續(xù)計(jì)算，不斷交替更新吸引度矩陣和歸屬度矩陣。[0091](5)在當(dāng)前參考值下根據(jù)聚類結(jié)果計(jì)算輪廓系數(shù)，確定聚類中心及各類光伏電站[0092]若超過(guò)預(yù)設(shè)的迭代次數(shù)或聚類劃分不再改變，則在當(dāng)前參考值下根據(jù)聚類結(jié)果計(jì)算輪廓系數(shù)，確定聚類中心及各類光伏電站群簇，選取使得r(i,k)+a(i,k)最大的那個(gè)k作為i的聚類中心。[0094]最后分析不同聚類數(shù)下的輪廓系數(shù)，直至選定最佳聚類結(jié)果，完成光伏電站群劃分，根據(jù)此方法劃分的站群基本從屬于同一個(gè)地理區(qū)域，即某區(qū)域的電站可以等效為具有氣象一致性的小范圍光伏電站群。[0095]AP聚類作為一種無(wú)監(jiān)督算法，本身無(wú)法直接評(píng)估聚類效果的好壞；為獲得精確穩(wěn)定的聚類結(jié)果，本實(shí)施例選取輪廓系數(shù)(silhouettecoefficient)對(duì)聚類結(jié)果進(jìn)行評(píng)估，其公式如下：離，稱為凝聚度；n(i)為x與其他簇中所有樣本的平均距離，稱為分離度；平均輪廓系數(shù)為所有樣本輪廓系數(shù)的平均值，取值范圍為[-1,1],其值越大，簇內(nèi)距離越小，簇間距離越大，聚類效果越好。[0098]步驟S3:以每個(gè)站群內(nèi)最具相關(guān)性的聚類中心電站為源域、其他電站為目標(biāo)域，遷移學(xué)習(xí)源域向目標(biāo)域的特征轉(zhuǎn)移，得到功率預(yù)測(cè)模型。[0099]步驟S4:利用功率預(yù)測(cè)模型，對(duì)目標(biāo)域中分布式光伏電站的光伏功率進(jìn)行預(yù)測(cè)。[0102](2)將每類光伏電站群最具相關(guān)性的聚類中心電站選取為源域，其他電站劃分為目標(biāo)域，并將源域的氣象數(shù)據(jù)作為該區(qū)域的整體氣象數(shù)據(jù)；[0104](4)利用皮爾遜相關(guān)系數(shù)篩選出影響光伏輸出功率的主要因素；[0105](5)利用LSTM分別建立源域功率預(yù)測(cè)模型進(jìn)行訓(xùn)練；[0106](6)基于山東大學(xué)PSEO團(tuán)隊(duì)研發(fā)的全國(guó)3公里×3公里精細(xì)化數(shù)值天氣預(yù)報(bào)產(chǎn)品，結(jié)合遷移學(xué)習(xí)理論，輸入目標(biāo)域數(shù)據(jù)，微調(diào)目標(biāo)域的模型參數(shù)，得到目標(biāo)域各光伏電站的最終預(yù)測(cè)結(jié)果。[0107]下面對(duì)上述過(guò)程進(jìn)行詳細(xì)說(shuō)明：[0108]由于分布式光伏電站數(shù)量眾多、分布廣泛，對(duì)每一個(gè)光伏電站進(jìn)行預(yù)測(cè)模型的搭建將大大降低預(yù)測(cè)效率；且有些分布式光伏電站存在建成時(shí)間較短、數(shù)據(jù)資料不足的問(wèn)題，功率預(yù)測(cè)精度難以保證，將影響后續(xù)清潔電力的調(diào)度與消納；本實(shí)施例引入遷移學(xué)習(xí)理論，對(duì)分布式光伏電站進(jìn)行功率預(yù)測(cè)。[0109]遷移學(xué)習(xí)是一種允許對(duì)現(xiàn)有模型進(jìn)行微調(diào)，以應(yīng)用于新領(lǐng)域或新功能的機(jī)器學(xué)習(xí)思想；遷移學(xué)習(xí)算法通過(guò)將數(shù)據(jù)充足的分布式光伏的預(yù)訓(xùn)練模型遷移至與之具有相似特征的其余分布式光伏，不僅能避免數(shù)據(jù)短缺的問(wèn)題、提升預(yù)測(cè)精度，還能顯著提高模型的訓(xùn)練速度，非常適合分布式光伏預(yù)測(cè)的應(yīng)用場(chǎng)景；在遷移學(xué)習(xí)中，數(shù)據(jù)域分為源域和目標(biāo)域，通常在數(shù)據(jù)量充足的源域?qū)δＰ皖A(yù)訓(xùn)練，在數(shù)據(jù)量較小的目標(biāo)域微調(diào)預(yù)訓(xùn)練模型，以充分利用源域數(shù)據(jù)提高模型其在目標(biāo)數(shù)據(jù)上的性能。[0110]遷移學(xué)習(xí)的基本思想為：[0114]其中，H和H分別表示源域和目標(biāo)域的數(shù)據(jù)空間，X和X分別表示源域和目標(biāo)域數(shù)據(jù)空間的特征，Tg和T分別表示對(duì)應(yīng)的標(biāo)簽。[0115]源域和目標(biāo)域的任務(wù)是在合適的映射函數(shù)f和f中尋找對(duì)應(yīng)映射函數(shù)的最優(yōu)源域參數(shù)ws和最優(yōu)目標(biāo)域wt,使預(yù)測(cè)值P和P盡可能接近標(biāo)簽T和T;遷移學(xué)習(xí)則是在最優(yōu)源域參數(shù)w的基礎(chǔ)上微調(diào)，使目標(biāo)域參數(shù)盡可能接近最優(yōu)目標(biāo)域參數(shù)w,如下所示：[0118]在本實(shí)施例中，首先根據(jù)光伏功率數(shù)據(jù)等歷史數(shù)據(jù)將具有相似“氣象-功率”映射關(guān)系的分布式光伏電站進(jìn)行聚類，考慮盡可能保證同一個(gè)集群內(nèi)的光伏電站具有相似的出力特性；將每類光伏電站群出力特征相關(guān)性最高的的聚類中心電站選取為源域，其他電站劃分為目標(biāo)域，并將源域的氣象數(shù)據(jù)作為該區(qū)域的整體氣象數(shù)據(jù)。[0119]進(jìn)一步，光伏出力和太陽(yáng)輻射強(qiáng)度息息相關(guān)，在不同的日類型下，光伏出力有很大不同，這主要是因?yàn)椴煌疹愋拖拢夥姘瀚@得的太陽(yáng)輻射強(qiáng)度總量存在顯著差異；相比之下，晴天的光伏出力要明顯高于多云天、陰天和雨天，而且晴天的光伏出力基本上呈現(xiàn)明[0120]為了實(shí)現(xiàn)科學(xué)的分類預(yù)測(cè)，本實(shí)施例遵循以下三個(gè)基本原則：[0121]第一，需在保持精確性的同時(shí)考慮建模難度和復(fù)雜性，即分類總數(shù)既不能過(guò)多也不能過(guò)少；過(guò)多的分類會(huì)導(dǎo)致建模復(fù)雜度增加和工作量加大，而過(guò)少的分類則會(huì)使天氣狀態(tài)的描述不夠詳細(xì)，從而無(wú)法提高預(yù)測(cè)精度。[0122]第二，不同天氣狀態(tài)的分類類型應(yīng)具有典型性和代表性，并具有明確的物理意義，以確保分類建模的合理性。[0123]第三，為了確保建模的可行性和精度，在使用已有的歷史記錄進(jìn)行建模時(shí)，需要盡量使樣本數(shù)據(jù)在不同類型上分布均衡。[0124]綜合考慮上述原則，表1是本實(shí)施例的一種劃分方法，以4個(gè)典型天氣大類為代表，需要說(shuō)明的是，不同光伏電站所積累的歷史數(shù)據(jù)中各種氣象專業(yè)天氣類型的分布存在差異，同一個(gè)氣象專業(yè)天氣類型在不同地域光伏電站的歷史數(shù)據(jù)中的分布也有差別；因此，在定義天氣大類時(shí)不宜設(shè)定統(tǒng)一不變的固定標(biāo)準(zhǔn)，而應(yīng)在綜合考慮上述3個(gè)基本原則基礎(chǔ)上，結(jié)合不同地域的氣象特點(diǎn)，以相關(guān)系數(shù)和輻照度的數(shù)值大小為參考，再通過(guò)計(jì)算歐氏距離將轉(zhuǎn)變天氣融合進(jìn)大類天氣中，實(shí)現(xiàn)對(duì)各類天氣的覆蓋。[0125]進(jìn)一步，利用皮爾遜相關(guān)系數(shù)R(X,Y)衡量光伏輸出功率與各影響因素之間的相關(guān)程度，篩選出影響光伏輸出功率的主要因素，皮爾遜相關(guān)系數(shù)計(jì)算公式如：圍為[-1,1],其絕對(duì)值越大，相關(guān)性越強(qiáng)。是以遞歸神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的一種神經(jīng)網(wǎng)絡(luò)模型，相比于RNN,LSTM可以通過(guò)不同的“門(mén)控單元”(Gate)來(lái)判斷信息的增添或刪除，從而使得神經(jīng)網(wǎng)絡(luò)能夠更準(zhǔn)確地學(xué)習(xí)長(zhǎng)期依賴問(wèn)題，提高了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確程度；LSTM有1個(gè)記憶單元和3個(gè)門(mén)控單元，記憶單元可以在整個(gè)訓(xùn)練過(guò)程中存儲(chǔ)最關(guān)鍵的信息，三個(gè)門(mén)控單元包括遺忘門(mén)f、輸入門(mén)i和輸出門(mén)o。[0129]遺忘門(mén)用于決定哪些信息應(yīng)該在記憶單元中丟棄，輸入門(mén)用于更新存儲(chǔ)單元，輸出門(mén)用于在此訓(xùn)練步驟中確定LSTM隱藏層單元的輸出，這些門(mén)的公式如下：[0133]其中，下標(biāo)字符t表示變量位于當(dāng)前訓(xùn)練步驟t中，而下標(biāo)字符t-1表示變量位于上的上一輸出，x,表示隱藏單元輸入，表示sigmoid激活函數(shù)。[0134]記憶單元需要更新函數(shù)來(lái)規(guī)范化輸入，此函數(shù)將乘以i,得到的g+用于更新記憶單此將前幾層LSTM層的參數(shù)遷移，僅作微調(diào)，而對(duì)全連接層的參數(shù)進(jìn)行重新訓(xùn)練；基于山東大學(xué)PSEO團(tuán)隊(duì)研發(fā)的全國(guó)3公里×3公里精細(xì)化數(shù)值天氣預(yù)報(bào)產(chǎn)品，將源域的氣象數(shù)據(jù)作為該區(qū)域的整體氣象數(shù)據(jù)，預(yù)測(cè)目標(biāo)域各光伏電站的最終結(jié)果。[0151]其中，y和，分別為測(cè)試集中第i個(gè)采樣點(diǎn)的實(shí)際功率值和預(yù)測(cè)功率值；N為測(cè)試[0153]本公開(kāi)的一種實(shí)施例中提供了基于AP聚類與遷移學(xué)習(xí)的分布式光伏功率預(yù)測(cè)系[0154]數(shù)據(jù)收集模塊，被配置為：收集待預(yù)測(cè)區(qū)域內(nèi)各分布式光伏電站的歷史發(fā)電數(shù)據(jù)，包括光伏功率及對(duì)應(yīng)的氣象數(shù)據(jù)；[0155]站群劃分模塊，被配置為：基于歷史發(fā)電數(shù)據(jù)，利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，使每個(gè)站群內(nèi)的電站具有相似的氣象-功率特性；[0156]模型構(gòu)建模塊，被配置為：以每個(gè)站群內(nèi)最具相關(guān)性的聚類中心電站為源域、其他電站為目標(biāo)域，遷移學(xué)習(xí)源域向目標(biāo)域的特征轉(zhuǎn)移，得到功率預(yù)測(cè)模型；[0157]功率預(yù)測(cè)模塊，被配置為：利用功率預(yù)測(cè)模型，對(duì)目標(biāo)域中分布式光伏電站的光伏功率進(jìn)行預(yù)測(cè)；[0158]其中，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群，是根據(jù)出力曲線計(jì)算分布式光伏電站功率樣本間的相似度，得到相似度矩陣，基于相似度矩陣，進(jìn)行吸引度矩陣和歸屬度矩陣的迭代計(jì)算，直到滿足迭代停止的條件。[0159]進(jìn)一步的，所述利用AP聚類將待預(yù)測(cè)區(qū)域內(nèi)多個(gè)分布式光伏電站劃分為站群